本研究将深度学习和变分框架相结合，探讨生成式深度学习方法以逼近探测器观测结果映射到粒子碰撞物理量的问题。通过引入新的统一架构，证明了该方法的有效性，误差更小，达到传统潜变扩散模型的三倍。

本论文提出了一种新的变分框架，用于推断由fBM驱动的随机微分方程。通过结合SDEs和变分方法，使用随机梯度下降学习代表性函数分布。同时，使用神经网络学习变分后验中的漂移、扩散和控制项，实现神经-SDEs的变分训练。优化Hurst指数，控制分数噪声的性质。提出了一种用于变分潜在视频预测的新型架构。

本文提出了一种新的变分框架，用于推断由分数布朗运动驱动的随机微分方程。通过结合SDEs和变分方法的推断能力，使用随机梯度下降学习代表性函数分布，并使用神经网络学习变分后验中的漂移、扩散和控制项，实现了神经-SDEs的变分训练。同时，优化了Hurst指数，控制分数噪声的性质，并提出了一种用于变分潜在视频预测的新型架构。

本研究通过引入新的统一架构，将深度学习和变分框架相结合，探讨生成式深度学习方法，以逼近将探测器观测结果映射到潜在粒子碰撞物理量的问题。证明了该方法的有效性，包括重构理论运动学量的全局分布和学习后验分布符合物理约束条件。与现有方法相比，误差更小，达到绝对误差的二十倍和传统潜变扩散模型的三倍。